用于基于 PLC 过程控制中异常检测的无监督集成方法
机器学习
2023-02-07 v1 人工智能
摘要
基于可编程逻辑控制器（PLC）的工业控制系统（ICS）用于监控关键基础设施。通信网络和物联网方法的集成增加了 ICS 遭受网络攻击的脆弱性。这项工作提出了用于基于 PLC 的 ICS 中异常检测的新型无监督机器学习集成方法。该工作提出了两种主要的异常检测方法：一种基于决定系数的学习算法的加权投票集成方法，以及一种使用隔离森林元检测器的堆叠集成方法。通过一个遭受多种攻击场景的开源基于 PLC 的 ICS 作为案例研究，对这两种集成方法进行了分析。该工作为加权投票集成方法考虑了四种不同的学习模型。对由多种基础检测器驱动的五种集成方法进行了比较性能分析。结果表明，使用隔离森林元检测器的堆叠集成方法在所有性能指标上均优于先前的工作。结果还表明，有效的无监督集成方法，例如具有隔离森林元检测器的堆叠集成，可以鲁棒地检测任意 ICS 数据集中的异常。最后，通过统计假设检验验证了所呈现的结果。
引用
@article{arxiv.2302.02097,
title = {Unsupervised Ensemble Methods for Anomaly Detection in PLC-based Process Control},
author = {Emmanuel Aboah Boateng and Bruce J. W},
journal= {arXiv preprint arXiv:2302.02097},
year = {2023}
}
备注
14 pages, 13 figures, IEEE Journal